ШІ MIT прогнозує екстремальну погоду без історичних даних

Інженери MIT створили інструмент штучного інтелекту, який прогнозує екстремальні погодні явища без навчання на історичних даних про катастрофи.

Кай Чан, аспірантка кафедри машинобудування, і професор Теміс Сапсіс розробили цей інструмент. Він створює карти явищ, які не траплялися в історії певного регіону, але залишаються статистично можливими. Кожна карта також містить оцінки ймовірної тривалості та інтенсивності явища, а також окрему оцінку площі, на яку воно може вплинути.

Прогнозування екстремальних погодних явищ без історичних прецедентів

Сапсіс обіймає посаду професора машинобудування та океан engineering імені Вільяма І. Коха в MIT. Обидва дослідники пов’язані з Центром обчислювальної науки та інженерії MIT, а Сапсіс також працює в Інституті даних, систем і суспільства MIT. У статті, опублікованій у виданні Nature Communications 20 серпня, вони описують метод під назвою Extreme Event Aware, або η-learning.

Наявні моделі ризиків працюють інакше. Страховики, міські планувальники та оператори електромереж зазвичай хочуть знати, як може виглядати столітній шторм у конкретному місці. Сучасні симуляції зазвичай залежать від наборів даних, які вже містять екстремальні явища: вони вивчають умови, що спричинили їх у минулому, а потім прогнозують подібні закономірності на майбутнє.

Чан стверджує, що цей підхід обмежує те, що можуть показати такі моделі. «Ці методи припускають, що в наборі даних є дуже руйнівні явища, які ми вже спостерігали, і створюють спосіб або оцінити ризик таких явищ, або намагаються точно спрогнозувати явища, які вже відбулися», — говорить вона.

Сапсіс пояснює те саме обмеження на прикладі урагану «Катріна». «Таке явище, як ураган “Катріна”, трапляється раз на 30–40 років, — додає він. — Якою буде “Катріна”, що трапиться раз на 100 років? Наскільки сильною вона буде? Саме це ми намагаємося кількісно оцінити, щоб допомогти планувальникам підготуватися до правдоподібних екстремальних сценаріїв».

Поєднання точкової статистики з просторовими деталями

Алгоритм працює з двома типами даних. Точкова статистика показує, як часто певний рівень інтенсивності — наприклад, максимальна кількість опадів, зафіксована на карті, — трапляється в наборі даних. Просторові карти демонструють, як вплив явища змінюється в межах регіону.

Вивчення статистичного взаємозв’язку між ними дає алгоритму змогу створювати просторові закономірності для явищ, що перевершують усе, наявне в навчальних даних, без потреби в попередніх прикладах саме таких екстремальних явищ.

Дослідники протестували підхід на даних про опади в континентальній частині США. Вони почали з 25 років погодинних даних про опади, об’єднаних у добові карти, і обчислили точкову статистику, яка описує, як часто максимальна кількість опадів на карті досягала певного рівня протягом усього періоду спостережень.

Період навчання просторової моделі був коротким. Цю частину алгоритму навчали на парних картах низької та високої роздільної здатності, відібраних лише з перших шести місяців 25-річного періоду спостережень — часу, коли було мало або зовсім не було прикладів найсильніших опадів.

Алгоритм навчився визначати, як закономірності на картах низької роздільної здатності відповідають деталям у версіях високої роздільної здатності, а потім застосував точкову статистику з усього періоду спостережень, щоб обмежити ступінь екстремальності згенерованих закономірностей.

Перевірка інфраструктури за картами найгірших сценаріїв

Найбільша кількість опадів, коли-небудь зафіксована в Нью-Йорку, становить 200 міліметрів. Метод може створювати правдоподібні карти шторму, який натомість принесе 300 міліметрів опадів — рівень, якому немає відповідника в даних спостережень.

Користувач може попросити навчений алгоритм показати, як може виглядати столітній шторм для названого міста. Результат має форму карт, що показують статистично правдоподібні шторми з такою частотою. Кожна карта має власні розмір і площу охоплення, а інтенсивність опадів також відрізняється в різних варіантах. За словами Чан, алгоритм може одночасно генерувати велику кількість таких сценаріїв.

Згенеровані карти можуть допомогти місту перевірити свою морську дамбу на стійкість до штормового нагону, сильнішого за все, що було зафіксовано. Ті самі карти можуть показати, чи витримає електромережа тривалішу спеку або чи зможуть пожежні ресурси локалізувати лісову пожежу, більшу за будь-яку з відомих.

Обмеження демонстрації на цей момент

За словами Чан і Сапсіса, для застосування методу до нової загрози потрібні відповідні точкові статистичні та просторові дані саме про цю загрозу. Дослідники вказують на можливі розширення після появи таких даних, зокрема візуалізацію сильних повеней і лісових пожеж, які не мають еквівалентів в історичних записах.

Сапсіс зазначає, що глобальну інфраструктуру оптимізували для ефективності, залишивши в системах, які вона підтримує, дуже мало резервних можливостей.

«Одне екстремальне явище за лічені тижні поширюється через ланцюги постачання, енергетичні ринки та продовольчі системи, — пояснює він. — Здатність визначити ймовірність явища, яке ще не відбулося, тепер є питанням національної та економічної стійкості».

Читайте також: Моделі ШІ Samsung Health аналізують біосигнали з носимих пристроїв

Хочете дізнатися більше про ШІ та великі дані від лідерів галузі? Відвідайте AI & Big Data Expo, що відбудеться в Амстердамі, Каліфорнії та Лондоні. Цей масштабний захід є частиною TechEx і проходитиме одночасно з іншими провідними технологічними заходами, зокрема з Cyber Security & Cloud Expo. Натисніть тут, щоб дізнатися більше.

AI News працює за підтримки TechForge Media. Ознайомтеся з іншими майбутніми заходами та вебінарами у сфері корпоративних технологій тут.